典型文献
基于联合模型的应急文本分类研究
文献摘要：
为解决应急信息数据杂乱无章、缺乏高效管理等问题,通过结合长短时记忆网络(long-term and short-term memory network,LSTM)与卷积神经网络(Convolutional Neural Networks,CNN)两个传统深度学习模型,提出一种基于LSTM-TextCNN联合模型的改进应急文本分类方法.通过收集大量的应急文本作为实验数据集和相应的预处理,运用word2vec模型将应急文本训练成词向量,再以拼接后的词向量表示文本,进而构建出LSTM-TextCNN联合模型以提取文本的抽象特征,最后将提取到的抽象特征输入到softmax分类器中完成应急文本的分类.将基于LSTM-TextCNN联合模型的改进应急文本分类方法分别与传统的分类方法支持向量机(Support Vector Machine,SVM)、单模型LSTM、单模型TextCNN进行对比分析.实例结果表明:基于LSTM-TextCNN联合模型的改进应急文本分类方法在精确率、召回率和F1值三个评价指标上较SVM有明显的提高,体现了深度学习在解决应急文本分类问题中的优越性;基于LSTM-TextCNN联合模型的应急文本分类方法分类效果较单模型LSTM模型或TextCNN模型均好,体现了联合模型的高效性.
文献关键词：
深度学习;应急文本分类;LSTM-TextCNN;word2vec
中图分类号：
作者姓名：
许旺
作者机构：
兰州交通大学交通运输学院,甘肃兰州730070
文献出处：
引用格式：
[1]许旺-.基于联合模型的应急文本分类研究)[J].电脑知识与技术,2022(04):95-99
A类：
应急文本分类
B类：
联合模型,分类研究,应急信息,信息数据,杂乱无章,高效管理,长短时记忆网络,long,term,short,memory,network,Convolutional,Neural,Networks,深度学习模型,TextCNN,文本分类方法,word2vec,文本训练,练成,成词,词向量,再以,拼接,向量表示,取到,softmax,分类器,Support,Vector,Machine,单模,精确率,召回率,分类问题,方法分类,分类效果
AB值：
0.28271
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
